See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/279492824

DETEKSI TEPI MENGGUNAKAN OPERATOR

ISOTROPIK DENGAN PENGOLAHAN AWAL
MENGGUNAKAN...

Article · January 2011

CITATIONS READS

0 274

3 authors, including:

Achmad Hidayatno Rizal Isnanto

Universitas Diponegoro Universitas Diponegoro
66 PUBLICATIONS 19 CITATIONS 67 PUBLICATIONS 32 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Achmad Hidayatno on 10 August 2016.

The user has requested enhancement of the downloaded file.

 MAKALAH SEMINAR TUGAS AKHIR
DETEKSI TEPI MENGGUNAKAN OPERATOR ISOTROPIK DENGAN PENGOLAHAN AWAL
MENGGUNAKAN PENGATURAN INTENSITAS
Sulistono*, Achmad Hidayatno**, R. Rizal Isnanto**
Abstrak – Kadangkala hasil deteksi tepi tidak selalu
memberikan hasil yang maksimal. Untuk mendapatkan
hasil yang lebih baik, sebelum proses deteksi tepi
dilakukan pengaturan intensitas. Salah satu detektor tepi
adalah operator Isotropik. Oleh karena itu dilakukan
penelitian untuk mensimulasikan program deteksi tepi
Isotropik dengan pengolahan awal menggunakan
pengaturan intensitas.
Proses deteksi tepinya dimulai dari pembacaan
berkas citra, penambahan derau, pengaturan intensitas,
pengambangan, deteksi tepi, pengukuran kinerja, hingga
analisis untuk mengetahui keandalan operator Isotropik.
Analisis yang dilakukan meliputi analisis objektif terdiri
atas SNR dan Indeks Kualitas. Sedangkan analisis
subjektif menggunakan sistem penglihatan manusia.
Dari analisis hasil penelitian ditunjukkan bahwa
semakin besar nilai ambang yang melebihi nilai ambang
optimal maka citra hasil deteksi tepi yang dimunculkan
akan semakin tidak jelas. Hal ini terjadi karena nilai
intensitas yang kurang dari nilai ambang optimal
menjadi bernilai 0 (hitam). Keberadaan derau dengan
jumlah besar akan menurunkan kualitas citra sehingga
citra tidak dapat dikenali, karena operator Isotropik
akan mendeteksi semua titik, termasuk derau, kemudian
akan dibandingkan dengan hasil deteksi tepi tanpa derau.
Dengan pengambangan sebesar 60, maka penambahan
derau Salt-and-pepper, Speckle, dan derau Gaussian pada
citra boat.bmp diperoleh citra hasil deteksi tepi terbaik
menggunakan perentangan histogram skala 1,5,
modifikasi histogram 2, dan perentangan histogram skala
0,5.
Kata kunci : deteksi tepi Isotropik, pengaturan intensitas,
derau, ambang, histogram.
I. PENDAHULUAN
1.1 Latar Belakang
Hasil deteksi tepi kadangkala memberikan hasil
dengan bagian objek yang tidak terdeteksi dengan jelas.
Bagian tersebut mungkin mengandung informasi yang
penting dan dapat mengakibatkan kesalahan
pemahaman informasi.
Untuk melakukan deteksi tepi yang berada di dalam
suatu citra digunakan operator Isotropik. Operator
Isotropik termasuk salah satu operator untuk deteksi
tepi objek yang sejauh ini masih sedikit
perbandingannya dengan operator Sobel, Prewit, dan
operator lainnya.
Agar hasil deteksi tepi cukup baik dan akurat,
terlebih dahulu dilakukan pengaturan intensitas untuk
meningkatkan kualitas citra. Teknik pengaturan
intensitas cukup baik untuk meningkatkan kualitas citra,
* Mahasiswa Jurusan Teknik Elektro UNDIP
** Staf Pengajar Jurusan Teknik Elektro UNDIP
1
karena pada teknik ini citra diatur intensitasnya untuk
mendapatkan citra yang lebih baik.
1.3 Pembatasan Masalah
1. Citra yang digunakan berformat BMP tanpa
kompresi sebesar 256x256 skala keabuan.
2. Operator yang digunakan dalam pendeteksian tepi
adalah operator Isotropik.
3. Teknik pengaturan intensitas yang digunakan dalam
peningkatan kualitas citra adalah pergeseran
histogram, perentangan histogram, modifikasi
histogram dan ekualisasi histogram.
4. Pengukuran kinerja program dengan kriteria
objektif menggunakan indek kualitas citra oleh
Zhou Wang dan Alan C. Bovik dan SNR,
sedangkan kriteria subjektif menggunakan sistem
penglihatan manusia (HVS/ Human Visual System).
5. Program bantu yang digunakan adalah Delphi 6.
II. LANDASAN TEORI
2.1 Operator Isotropik
Operator Isotropik merupakan salah satu deteksi
tepi dengan metode operator gradien yang
menggunakan dua buah matriks 3x3, yaitu matriks
vertikal dan matriks horisontal yang ditapis secara
bersamaan. Gambar 2.3 menunjukkan matriks untuk
operator Isotropik.
-1 0 1 -1 - 2 -1
- 2 0 2 0 0 0
-1 0 1 1 2 1
(a). Mask Horisontal (b). Mask Vertikal
Gambar 2.1 Matrik mask untuk Operator Isotropik.
Kekuatan tepinya dilakukan dengan akar dari
penjumlahan kuadrat hasil penelusuran secara
horisontal (Gx) dengan hasil penelusuran secara vertikal
(Gy), sehingga dapat dituliskan bahwa:
G[ f ( x, y )] = Gx 2 + Gy 2
2.2 Peningkatan Kualitas Citra
Peningkatan kualitas citra diperlukan karena
seringkali citra yang dijadikan objek pembahasan
mempunyai kualitas yang buruk, misalnya mengalami
derau pada saat pengiriman melalui saluran transmisi,
citra terlalu terang atau gelap, citra kurang tajam atau
kabur. Peningkatan kualitas citra dalam tugas akhir ini
dilakukan dengan proses pengaturan intensitas antara
lain: pergeseran, perentangan, modifikasi dan ekualisasi
histogram.
2.2.1 Pergeseran Histogram
Pergeseran hitogram dilakukan dengan memberikan
perubahan nilai-nilai piksel pada citra secara
keseluruhan dengan pembobotan yang sama pada setiap
piksel. Secara matematis dapat ditulis sebagai berikut:
f ' ( x, y ) = f ( x , y ) + b
dengan f ' ( x , y ) adalah citra hasil, f ( x, y ) adalah citra
masukan, sedangkan b adalah skala pergeseran
histogram. Jika nilai b positif, maka citra hasil akan
lebih terang, sedangkan jika nilai b negatif maka citra
hasil akan lebih gelap.
2.2.2 Perentangan Histogram
Teknik ini digunakan untuk meningkatkan kontras
pada citra dengan cara memberikan pembobotan yang
sama pada setiap nilai piksel dengan mengalikan sebuah
konstanta.
Secara matematis dapat dituliskan sebagai berikut:
f ' ( x, y ) = af ( x, y )
dengan f ' ( x , y ) adalah citra hasil, f ( x, y ) adalah citra
masukan, sedangkan a adalah skala perentangan
histogram. Jika a positif maka kontras citra hasil akan
meningkat, sedangkan jika 0 < a < 1 maka kontras citra
akan menurun.
2.2.3 Ekualisasi Histogram
Ekualisasi histogram digunakan untuk memperbaiki
kontras dan untuk mendapatkan histogram yang merata
sedemikian hingga setiap derajat keabuan memiliki
jumlah piksel yang relatif sama. Algoritma perhitungan
ekualisasi histogram dalam Tugas Akhir ini yaitu:
ekualisasi histogram 1, dan ekualisasi histogram 2.
2.2.4 Modifikasi Histogram
Modifikasi histogram dilakukan dengan memetakan
tingkat keabuan citra masukan (u) secara tak linear oleh
f (u ) , dan keluarannya dikuantisasi secara seragam.
algoritma modikasi histogram dalam Tugas Akhir ini
yaitu: modifikasi histogram 1, modifikasi histogram 2,
dan modifikasi histogram 3.
2.3 Derau
Kualitas citra sangat dipengaruhi oleh tingkat
keberadaan derau. Dalam citra digital banyak dijumpai
bermacam-macam derau tergantung bagaimana citra
tersebut dibuat. Citra cenderung mudah mengalami
kerusakan oleh derau dengan bermacam-macam tipe.
2.3.1 Derau Salt-and-pepper
Derau salt-and-pepper merupakan derau yang
disebabkan oleh adanya piksel-piksel yang secara
individual rusak atau hilang dari citra. Derau ini
menyebabkan adanya bintik-bintik hitam dan putih
yang tidak teratur. Tingkat derau salt-and-pepper ini
ditentukan oleh tingkat kerapatan (density) bintik-
2
bintik. Derau salt-and-pepper g (i, j ) dapat dinyatakan
dengan:
⎧ z (i, j ), peluang p
g (i, j ) = ⎨
⎩ f (i, j ), peluang (1 − P )
Dengan f (i , j ) adalah citra asli dan z (i, j ) adalah
derau hitam atau putih.
2.3.2 Derau Speckle
Derau speckle bersifat menambahkan derau
multiplikatif pada citra f (i, j ) , menggunakan
persamaan:
g ( i , j ) = f (i , j ) + n (i , j ) f ( i , j )
dengan n (i , j ) merupakan derau acak terdistribusi
seragam dengan rerata m dan varians v .
2.3.3 Derau Gaussian
Derau Gaussian menambahkan derau putih
Gaussian n(i, j ) dengan rerata m dan varians v pada
citra asli f (i, j ) . Citra berderau Gaussian dapat
dinyatakan sebagai:
g ( i , j ) = f (i , j ) + n ( i , j )
2.4 Pengambangan (Thresholding)
Operasi pengambangan digunakan untuk mengubah
titik dengan rentang nilai keabuan tertentu menjadi
berwarna hitam dan sisanya menjadi warna putih atau
sebaliknya. Fungsi pengambangan yang digunakan
adalah:
⎧0, f g (i, j ) ≤ T
f B (i, j ) = ⎨
⎩ 1, lainnya
Dengan f g (i , j ) adalah citra masukan keabuan,
f B (i, j ) adalah citra biner, dan T adalah nilai ambang
yang ditentukan.
2.5 Pengukuran Kinerja Deteksi Tepi
Kinerja deteksi tepi dapat diketahui keandalannya
dengan menggunakan beberapa cara. Secara objektif,
pengukuran dilakukan dengan melakukan perhitungan
matematis menggunakan SNR dan Indek Kualitas.
Secara subjektif, metode pengukuran berdasarkan
karakteristik sistem penglihatan manusia dalam usaha
untuk menunjukkan persepsi kualitas suatu citra.
III. PERANCANGAN PROGRAM
Pada perancangan ini menggunakan program bantu
Delphi 6 yang mempunyai tombol perintah yang
lengkap dan berguna untuk merancang program aplikasi
yang memiliki tampilan seperti program aplikasi lain
berbasis Windows. Secara garis besar perangkat lunak
yang dirancang memiliki diagram alir seperti pada
Gambar 3.1.
 M ulai Histogram, Perentangan Histogram, Ekualisasi
Histogram 1, Ekualisasi Histogram 2, Modifikasi
M asukan Histogram 1, Modifikasi Histogram 2, ataupun
File C itra
Modifikasi Histogram 3 dapat dipilih pada combobox
PengaturanIntensitas.
Tam bah D erau

3.4 Deteksi Tepi Isotropik

Ya Proses deteksi tepi Isotropik dilakukan dengan
Pengaturan
Intensitas mengeset mat1 sebagai matriks Isotropik vertikal dan
Atur Intensitas
Tidak mat2 sebagai matriks Isotropik horisontal. Matriks
mat1 dan matriks mat2 kemudian digunakan pada
Deteksi Tepi Isotropik proses perhitungan konvolusi. Hasil dari konvolusi
mat1 dan konvolusi mat2 disimpan dalam data1 dan
Pengukuran Kinerja
data2 setelah itu disimpan dalam p1 dan p2,
Detektor dengan Indeks kemudian dilakukan kombinasi kedua hasil konvolusi.
Kualitas, SN R , dan H VS

3.5 Pengukuran Kinerja

S im pan
Ya
Pengukuran kinerja deteksi tepi Isotropik digunakan
C itra H asil untuk membandingkan hasil deteksi tepi citra asli
Pengolahan
S im pan dengan hasil deteksi tepi citra berderau, dan hasil
Tidak
deteksi tepi pengaturan intensitas citra asli dengan hasil
deteksi tepi pengaturan intensitas citra berderau. Ketika
Selesai
tombol Proses ditekan, secara automatis hasil
pengukuran SNR dan Indeks Kualitas ditampilkan
Gambar 3.1 Diagram alir program
dalam komponen edit SNR dan komponen edit
3.1 Pengambilan Berkas Citra IndeksKualitas pada groupbox PengukuranKinerja
Berkas citra yang diambil mempunyai format DeteksiTepi.
*.bmp, berukuran 256x256 piksel dengan tingkat
3.6 Histogram
keabuan berskala 256.
Histogram citra awal dan histogram hasil
3.2 Penambahan Derau pengaturan citra awal akan muncul dan dapat dilihat
Penambahan derau salt-and-pepper, speckle, dan dengan menekan tombol Histogram yang berada pada
derau Gaussian dilakukan untuk menguji apakah kanan bawah tampilan program deteksi tepi Isotropik.
program ini nantinya peka terhadap derau atau tidak.
IV. HASIL PENELITIAN DAN ANALISIS
a. Derau Salt-and-pepper Beberapa hal yang diteliti dalam Tugas Akhir ini
Untuk derau salt-and-pepper, dibuat nilai acak yang adalah citra yang akan dianalisis, jenis derau, metode
terdistribusi ke dalam tiga daerah, yaitu: daerah pengaturan intensitas, deteksi tepi Isotropik, dan
berderau pepper ke dalam nilai 0, daerah tak berderau, pengukuran kinerja deteksi tepi Isotropik dari tiap-tiap
dan daerah berderau salt ke dalam nilai 255. metode pengaturan intensitas. Beberapa variasi
penelitian ditunjukkan pada Tabel 4.1.
b. Derau Speckle
Untuk derau Speckle, parameter masukan yang Tabel 4.1 Tabel variasi penelitian (dilanjutkan),
digunakan untuk menentukan banyaknya derau adalah No Parameter Variasi
a. Boat.bmp
sqr(stdev), dan harus diisikan pada komponen edit 1. Nama Citra b. Girls.bmp
Varians. c. Peppers.bmp
a. Salt-and-pepper, densitas = 0,01
c. Derau Gaussian 2. Jenis Derau dan 0,05
Jika yang dipilih adalah derau Gaussian, maka b. Speckle, varians = 0,004 dan 0,02
untuk setiap titik ditambahkan sebuah nilai acak yang c. Gaussian, rerata = 0;
varians = 0,0005 dan 0,0025
terdistribusi secara normal. Mean dan sqr(stdev) a. Pergeseran Histogram,
adalah parameter masukan yang harus diisikan pada skala = (-40), (-20), 20, dan 40
komponen edit Rerata dan edit Varians untuk b. Perentangan Histogram,
pemrosesan derau Gaussian. Metode skala = (0,5), (1,5), dan 2
3. Pengaturan c. Ekualisasi Histogram 1
3.3 Pengaturan Intensitas Intensitas d. Ekualisasi Histogram 2
e. Modifikasi Histogram 1
Proses pengaturan intensitas citra dilakukan f. Modifikasi Histogram 2
terhadap citra awal maupun citra awal yang sudah g. Modifikasi Histogram 3
ditambah derau menggunakan metode Pergeseran

3
Tabel 4.1 Tabel variasi penelitian (lanjutan). pepper, maka parameter Densitas yang default-nya
No Parameter Variasi bernilai 0,1 akan aktif. Selanjutnya adalah menekan
Jenis
4.
Deteksi Tepi
Deteksi Tepi Isotropik tombol Tambah. Hasilnya ditampilkan pada bingkai
a. Indeks Kualitas Citra Citra Berderau seperti pada Gambar 4.2.
Pengukuran
5. b. SNR
Kinerja 4.1.3 Pengaturan Intensitas
c. Sistem Penglihatan Manusia
Jenis metode pengaturan intensitas dipilih pada
Sebelum membahas hasil penelitian, terlebih dahulu combobox yang terletak dalam groupbox Pengaturan
dilakukan pengujian terhadap program aplikasi deteksi Intensitas. Jika jenis pengaturan intensitas yang dipilih
tepi Isotropik. adalah Geser atau Rentang, maka scrollbar skala
pergeseran atau perantangan histogram akan terlihat.
4.1 Menjalankan Program Nilai pada komponen edit Skala akan berubah
Program yang telah dibuat dengan Delphi 6 dapat mengikuti pergeseran scrollbar tersebut. Kemudian
langsung dijalankan dengan mengklik dua kali file tombol Atur ditekan untuk memproses pengaturan
EdgeDetect.exe. Jika tombol Lanjut ditekan, maka intensitas.
program akan dilanjutkan ke tampilan program utama Hasil dari proses pengaturan intensitas ditampilkan
Jika tombol Keluar ditekan, tampilan awal program pada bingkai Pengaturan Intensitas Citra Awal dan
akan tertutup dan keluar dari program. bingkai Pengaturan Intensitas Citra Berderau yang
4.1.1 Pengambilan Berkas Citra ditunjukkan pada Gambar 4.3.
Setelah berkas citra yang mempunyai format
bitmap (.bmp), berukuran 256x256, dan 256 tingkat
skala keabuan diambil, hasilnya ditampilkan pada
bingkai Citra Awal. Citra awal yang ditampilkan pada
bingkai Citra Awal ditunjukkan pada Gambar 4.1.

Gambar 4.3 Tampilan program utama setelah proses pengaturan

(a) (b) (c) intensitas.
Gambar 4.1 Citra awal.
(a) Citra Boat.bmp, (b) Citra Gilrs.bmp, (c) Citra Peppers.bmp. 4.1.4 Deteksi Tepi Isotropik
Proses deteksi tepi Isotropik yang dilakukan dengan
4.1.2 Penambahan Derau dua tahap, yaitu proses deteksi tepi Isotropik dengan
Jenis derau yang ditambahkan pada citra awal pengambangan yang sebelumnya dilakukan dengan
dipilih pada combobox yang terletak pada groupbox mencentang checkbox Ambang dan proses deteksi tepi
Derau. Isotropik tanpa pengambangan yang dilakukan dengan
menghilangkan tanda centang pada checkbox Ambang.
Kemudian dilanjutkan dengan menekan tombol Proses.

Gambar 4.2 Tampilan program utama setelah proses

penambahan derau.

Jika dipilih derau Gaussian, maka parameter
Rerata yang default-nya bernilai 0 dan Varians yang
default-nya bernilai 0,005 akan aktif. Jika dipilih derau
Speckle, maka parameter Varians yang default-nya
bernilai 0,04 akan aktif. Jika dipilih derau Salt-and-
Gambar 4.4 Tampilan program utama setelah proses deteksi tepi.
Citra hasil deteksi tepi akan ditampilkan pada
bingkai Deteksi Tepi Pengaturan Intensitas Citra
Awal dan bingkai Deteksi Tepi Pengaturan Intensitas
Citra Berderau. Begitu juga dengan hasil pengukuran

4
kinerja deteksi tepi berupa SNR dan Indeks Kualitas
akan ditampilkan pada groupbox Pengukuran Kinerja
Deteksi Tepi seperti yang ditunjukkan pada Gambar
4.4.

4.1.5 Penampilan Histogram

Histogram yang ditampilkan adalah histogram citra (d) (e) (f)
awal, histogram dari hasil pengaturan intensitas citra
awal, dan histogram hasil pengaturan intensitas citra
berderau. Untuk menampilkan histogram dilakukan
dengan menekan tombol Histogram yang berada kanan
bawah tampilan program aplikasi. Berikut adalah
tampilan histogram citra awal dan hasil pengolahan.
(g) (h) (i)

(j)
Gambar 4.6 Hasil pengolahan deteksi tepi Isotropik citra boat.bmp
dengan nilai ambang 60 (lanjutan).
(d) perentangan histogram 0,5, (h) modifikasi histogram 1,
(e) perentangan histogram 1,5, (i) modifikasi histogram 2,
Gambar 4.5 Tampilan histogram citra. (f) perentangan histogram 2, (j) modifikasi histogram 3.
(g) ekualisasi histogram 1,
4.2 Pembahasan Hasil Penelitian
Ada dua hal yang ingin dicapai yaitu keandalan dari Berdasarkan hasil penelitian dari deteksi tepi
operator Isotropik dalam mendeteksi tepi pada citra dan Isotropik pada semua metode pengaturan intensitas
kualitas citra hasil. Untuk itu dilakukan dua jenis tanpa penambahan derau pada citra boat.bmp maka
pengukuran yaitu pengukuran secara objektif dan dapat disimpulkan bahwa untuk pengambangan dengan
pengukuran secara subjektif. nilai 60 hasil proses deteksi tepi Isotropik terbaik
Hasil pengolahan dan analisis deteksi tepi Isotropik diperoleh pada pengaturan intensitas metode
citra boat.bmp menggunakan beberapa pengaturan perentangan histogram skala 0,5. Dengan bertambahnya
intensitas dan nilai pengambangan sebesar 60, dengan nilai ambang yang digunakan dalam proses deteksi tepi
acuan deteksi tepi citra boat.bmp terbaik yang Isotropik maka citra tepi yang dimunculkan semakin
diperoleh setelah diatur intensitas dengan perentangan sedikit atau menghilang. Hal ini dikarenakan semakin
histogram skala 0,5 dan pengambangan sebesar 60 besar nilai ambang maka banyak nilai intensitas yang
dapat dilihat pada Gambar 4.6. Angka 60 ini berarti kurang dari nilai ambang yang digunakan menjadi
dalam rentang 0 sampai dengan 255 nilai 60 merupakan bernilai 0 (hitam).
nilai ambang yang dipilih, sehingga nilai intensitas Untuk membuktikan apakah operator Isotropik peka
yang kurang dari 60 akan menjadi bernilai 0 (hitam) terhadap derau atau tidak maka pada citra asli ditambah
dan nilai intensitas yang lebih besar atau sama dengan bermacam derau Salt-and-pepper, Speckle, Gaussian.
60 akan menjadi bernilai 1 (putih). Tabel 4.2 Hasil pengukuran kinerja deteksi tepi Isotropik pada citra
boat.bmp menggunakan derau Salt- and- pepper dan
nilai ambang yang berbeda (dilanjutkan),
Metode SNR (dB) Indeks Kualitas
Densitas
Pengaturan Ambang Ambang Ambang Ambang
Derau
Intensitas 60 100 60 100
Tnp Pengaturan 8,7329 6,7699 0,8910 0,8452
Geser (-40) 8,7500 6,4720 0,8913 0,8313
Geser (-20) 8,5730 6,5051 0,8856 0,8327
Geser 20 8,6145 7,1103 0,8882 0,8605
(a) (b) (c) Geser 40 9,1268 7,6537 0,9032 0,8810
0,01 Rentang 0,5 6,5034 5,4815 0,8240 0,7864
Gambar 4.6 Hasil pengolahan deteksi tepi Isotropik citra boat.bmp
Rentang 1,5 10,5048 9,5225 0,9287 0,9246
dengan nilai ambang 60 (dilanjutkan),
Rentang 2 8,9605 7,6840 0,9088 0,8828
(a) citra terbaik, Ekualisasi 1 9,9208 8,5402 0,9053 0,8978
(b) tanpa pengaturan intensitas, Ekualisasi 2 10,2780 8,8366 0,9136 0,9058
(c) pergeseran histogram skala 40, Modifikasi 1 9,6045 8,4606 0,9048 0,8992

5
Tabel 4.3 Hasil pengukuran kinerja deteksi tepi Isotropik pada citra histogram skala 1,5. Untuk nilai ambang 60, nilai SNR
boat.bmp menggunakan derau Salt- and- pepper dan tertinggi yaitu 10,5048 dan Indeks Kualitas tertinggi
nilai ambang yang berbeda (lanjutan).
Metode SNR (dB) Indeks Kualitas yaitu 0,9287. Untuk nilai ambang 100, dengan nilai
Densitas
Derau
Pengaturan Ambang Ambang Ambang Ambang SNR tertingggi yaitu 9,5225 dan Indeks Kualitas
Intensitas 60 100 60 100 tertinggi yaitu 0,9246.
Modifikasi 2 7,4386 8,1725 0,8713 0,9070
0,01
Modifikasi 3 8,9288 9,0959 0,9100 0,9232 Untuk derau Salt-and-pepper dengan densitas 0,05
Tnp Pengaturan 3,6201 2,2845 0,5616 0,4411 dan nilai ambang 60 serta nilai ambang 100, SNR dan
Geser (-40) 3,8521 2,2425 0,5896 0,4308 Indeks Kualitas tertinggi diperoleh pada proses
Geser (-20) 3,6619 2,2303 0,5622 0,4283
Geser 20 3,6667 2,5081 0,5731 0,4969
pengaturan intensitas metode perentangan histogram
Geser 40 3,8890 2,7408 0,6075 0,5416 skala 1,5. Untuk nilai ambang 60, nilai SNR tertinggi
Rentang 0,5 2,5315 1,8139 0,4303 0,3477 yaitu 4,9242 dan Indeks Kualitas tertinggi yaitu 0,7000.
0,05 Rentang 1,5 4,9242 4,0701 0,7000 0,6921
Rentang 2 3,6950 2,7640 0,6100 0,5247
Untuk nilai ambang 100, nilai SNR tertinggi yaitu
Ekualisasi 1 4,6506 3,2385 0,6448 0,6168 9,5225 dan Indeks Kualitas tertinggi yaitu 0,9246.
Ekualisasi 2 4,6195 3,1786 0,6431 0,6124 Sedangkan tanpa pengambangan, terlihat pada
Modifikasi 1 4,7592 3,5453 0,6642 0,6334 Tabel 4.4 bahwa nilai SNR dan Indeks Kualitas citra
Modifikasi 2 2,7979 3,0177 0,5042 0,6013
Modifikasi 3 3,6838 3,4488 0,6242 0,6554 yang lebih besar dibandingkan SNR dan Indeks
Kualitas citra dengan pengambangan. Untuk derau Salt-
Tabel 4.4 Hasil kinerja deteksi tepi Isotropik pada citra and-pepper dengan densitas 0,01 dan densitas 0,05,
boat.bmp menggunakan derau Salt- and- pepper tanpa SNR dan Indeks Kualitas tertinggi juga diperoleh pada
ambang dan rata-rata menurut penilaian responden.
Metode Tanpa Ambang Rata-rata proses pengaturan intensitas metode perentangan
Densitas
Derau
Pengaturan
SNR(dB)
Indeks penilaian histogram skala 1,5. Untuk densitas 0,01, nilai SNR
Intensitas Kualitas responden* tertinggi yaitu 12,3548 dan Indeks Kualitas tertingggi
Tanpa Pengaturan 8,0072 0,8460 3,00
Geser (-40) 8,4650 0,8637 3,00 yaitu 0,9486. Untuk densitas 0,05, nilai SNR tertinggi
Geser (-20) 7,8901 0,8406 3,00 yaitu 6,3909 dan Indeks Kualitas tertinggi yaitu 0,7708.
Geser 20 7,7507 0,8370 3,00 Dari Tabel 4.4, pengamatan beberapa orang
Geser 40 8,0078 0,8478 3,00
Rentang 0,5 8,2065 0,8615 3,00
responden pada hasil pengolahan deteksi tepi citra
0,01 Rentang 1,5 12,3548 0,9486 3,40 boat.bmp berpendapat bahwa pengaturan intensitas
Rentang 2 10,6838 0,9383 3,07 dengan metode perentangan skala 1,5 untuk densitas
Ekualisasi 1 10,2752 0,8930 3,67
Ekualisasi 2 10,6935 0,9035 4,07
derau Salt-and-pepper 0,01 dan 0,05 adalah sedang.
Modifikasi 1 9,9885 0,8956 4,40 Grafik kinerja deteksi tepi Isotropik dengan
Modifikasi 2 8,5905 0,8848 4,53 pengolahan awal menggunakan pengaturan intensitas
Modifikasi 3 9,9585 0,9144 4,53 dan derau Salt-and-pepper untuk citra boat.bmp, dapat
Tanpa Pengaturan 3,6161 0,4812 1,20
Geser (-40) 3,9439 0,5276 1,07 dilihat pada Gambar 4.7, Gambar 4.8, Gambar 4.9 dan
Geser (-20) 3,6700 0,4841 1,07 Gambar 4.10.
Geser 20 3,6049 0,4873 2,07
Geser 40 3,5653 0,4872 2,27 Grafik SNR - Densitas
Rentang 0,5 3,7799 0,5108 2,47 12 Tanpa Pengaturan
0,05 Rentang 1,5 6,3908 0,7708 3,47 10
Geser (-40)
Rentang 2 4,8826 0,7122 2,47 Geser (-20)
8 Geser 20
Ekualisasi 1 5,0412 0,6038 2,93
SNR (dB)

Geser 40
Ekualisasi 2 5,0251 0,6034 4,20 6 Rentang 0,5
Modifikasi 1 5,1825 0,6377 3,80 Rentang 1,5
4 Rentang 2
Modifikasi 2 3,9375 0,5726 4,27 Ekualisasi 1
Modifikasi 3 4,6530 0,6432 4,20 2 Ekualisasi 2
Modifikasi 1
0
Modifikasi 2
Dari Tabel 4.2 dan Tabel 4.3 dapat dilihat 0.01
Densitas
0.05
Modifikasi 3

peningkatan SNR dan Indeks Kualitas untuk beberapa Gambar 4.7 Grafik SNR terhadap nilai densitas yang berbeda untuk
metode pengaturan intensitas. Tetapi penambahan nilai citra boat.bmp dengan nilai ambang 60.
densitas mengakibatkan penurunan nilai SNR maupun
nilai Indeks Kualitas citra hasil deteksi tepi Isotropik. Grafik Indeks Kualitas - Densitas
1 Tanpa Pengaturan
Hal ini berarti operator Isotropik cukup peka terhadap 0.9 Geser (-40)
0.8
derau, sehingga dalam proses deteksi tepi, derau yang Geser (-20)
Indeks Kualitas

0.7 Geser 20
ada akan dideteksi dan dimunculkan sebagai hasil 0.6 Geser 40
0.5 Rentang 0,5
deteksi tepi. 0.4 Rentang 1,5
Rentang 2
Dengan menaikkan nilai ambang, nilai SNR dan 0.3
0.2
Ekualisasi 1

indeks kualitas citra yang terukur mengalami 0.1

Ekualisasi 2
Modifikasi 1
0
penurunan. Untuk derau Salt-and-pepper dengan 0.01 0.05
Modifikasi 2
Modifikasi 3
Densitas
densitas 0,01 dan nilai ambang 60 serta nilai ambang
100, SNR dan Indeks Kualitas tertinggi diperoleh pada Gambar 4.8 Grafik Indeks Kualitas terhadap nilai densitas yang
berbeda untuk citra boat.bmp dengan nilai ambang 60.
proses pengaturan intensitas metode perentangan

6
 Grafik SNR - Densitas
14
12
10
SNR (dB)
8 Geser 40
6
4
2 Ekualisasi 2
0
0.01
Densitas
Gambar 4.9 Grafik SNR terhadap nilai densitas yang berbeda untuk
citra boat.bmp tanpa pengambangan.
1
Grafik Indeks Kualitas - Densitas
0.9
0.8
0.7
Indeks Kualitas
0.6
0.5
0.4
0.3
0.2
0.1
0
0.01
Densitas
Gambar 4.10 Grafik Indeks Kualitas terhadap nilai densitas yang
berbeda untuk citra boat.bmp tanpa pengambangan.
V. PENUTUP
5.1 Kesimpulan
Dari hasil penelitian dapat diambil kesimpulan
sebagai berikut:
1. keberadaan derau dengan jumlah besar akan
menurunkan kualitas citra sehingga citra tidak
dapat dikenali, karena operator Isotropik akan
mendeteksi semua titik yang mempunyai perbedaan
gradien, termasuk derau, kemudian akan
dibandingkan dengan hasil deteksi tepi tanpa derau.
2. Semakin besar nilai ambang yang melebihi nilai
ambang optimal maka citra hasil deteksi tepi
Isotropik yang dimunculkan akan semakin tidak
jelas atau menghilang. Hal ini disebabkan banyak
nilai intensitas yang kurang dari nilai ambang
optimal menjadi bernilai 0 (hitam).
3. Dengan beberapa metode pengaturan intensitas
maka dihasilkan nilai SNR dan Indeks Kulitas citra
yang berbeda-beda untuk tiap-tiap metode
pengaturan intensitas, karena nilai intensitas citra
dan pola histogram dari tiap-tiap metode
pengaturan intensitas mengalami perubahan.
4. Tidak semua metode pengaturan intensitas baik
untuk meningkatkan kualitas citra hasil deteksi tepi
Isotropik, karena masing-masing metode akan
dihasilkan distribusi intensitas ataupun kontras
yang berbeda.
5. Dengan pengambangan sebesar 60, maka
penambahan derau Salt-and-pepper dengan densitas
0,01 dan 0,05 pada citra boat.bmp memperoleh
citra hasil deteksi tepi terbaik jika menggunakan
pengaturan intensitas dengan metode perentangan
histogram skala 1,5. Jika citra boat.bmp ditambah
derau Speckle dengan varians sebesar 0,004 dan
Tanpa Pengaturan
Geser (-40)
0,02, maka citra hasil deteksi tepi terbaik diperoleh
Geser (-20) menggunakan pengaturan intensitas dengan metode
Geser 20
modifikasi histogram 2. Jika citra boat.bmp
Rentang 0,5
Rentang 1,5
ditambah derau Gaussian dengan rerata 0 dan
Rentang 2 varians 0,0005 dan 0,0025, maka citra hasil deteksi
Ekualisasi 1
tepi terbaik diperoleh menggunakan pengaturan
Modifikasi 1
Modifikasi 2 intensitas dengan metode perentangan histogram
0.05
Modifikasi 3
skala 0,5.
6. Dari analisis secara subjektif, bahwa hasil
pengamatan beberapa orang responden tidak selalu
berhubungan dengan hasil dari SNR ataupun Indeks
Kualitas, dalam artian dengan nilai SNR dan Indeks
Tanpa Pengaturan
Geser (-40) Kualitas yang tertinggi tidak selalu diperoleh nilai
Geser (-20)
rata-rata penilaian responden yang terbaik juga.
Geser 20
Geser 40
Rentang 0,5
Rentang 1,5 5.2 Saran
Rentang 2
Ekualisasi 1
Untuk kepentingan pengembangan dari Tugas
Ekualisasi 2 Akhir ini, maka dapat diberikan saran sebagai berikut :
Modifikasi 1
0.05
Modifikasi 2 1. Perlu dihilangkannya pembatasan jumlah resolusi
Modifikasi 3
warna dan pembatasan format berkas pada citra
masukan untuk menambah kemampuan sistem
dalam mengolah berbagai berkas citra.
2. Program bantu yang digunakan tidak hanya Delphi
6, tetapi dapat juga menggunakan program bantu
seperti C++, Visual Basic, Matlab serta program
bantu yang lain untuk melakukan penelitian dalam
efisiensi waktu pengolahan citra maupun
keringkasan pengkodean program.
DAFTAR PUSTAKA
[1] Achmad, B. dan K. Firdausy, Teknik Pengolahan Citra Digital
Menggunakan Drlphi, Andi Publising, Yogyakarta, 2005.
[2] Fisher, R., S. Perkins, A. Walker, and E. Wolfart, Grayscale
Images http://homepages.inf.ed.ac.uk/rbf/HIPR2/gryimage,
April 2006.
[3] Gonzalez, R.C., Digital Image Processing, Addison-Wesley
Publishing, 1987.
[4] Jain, A.K., Fundamental of Digital Image Processing, Prentice
Hall International, 1989.
[5] Munir, R., Pengolahan Citra Digital dengan Pendekatan
Algoritmik, Informatika, Bandung, 2004.
[6] Sid-Ahmed, M.A, Image Processing-Theory, Algorithm and
Architectures, McGrawHill, 1995.
[7] Wang Z, and A. C. Bovik, A Universal Image Quality Index,
IEEE Signal Processing Letters, 2002.
[8] ---, Basic Edge Detection, http://www.netnam.vn/
unescocourse/computervision, April 2006.
[9] ---, Image Quality, http://iria.pku.edu.cn/~jiangm/courses/dip/
html/node36, April 2006.
[10] ---, Noise Type, http://iria.pku.edu.cn/~jiangm/courses/dip/
html/node39, Juli 2006.
[11] ---, Pixels, http://homepages.inf.ed.ac.uk/rbf/HIPR2/pixels, Mei
2006.
[12] ---, Statistical Operation, http://www.netnam.vn/
unescocourse/computervision, Mei 2006.
7
 Sulistono (L2F30385)
Lahir di Semarang, 21 Maret 1981.
Mahasiswa Teknik Elektro Ekstensi
2003, Konsentrasi Elektronika dan
Telekomunikasi,
Universitas Diponegoro.
Email : sulyst@plasa.com

Menyetujui dan Mengesahkan

Pembimbing I

Achmad Hidayatno, S.T., M.T.

NIP. 132 137 933
Tanggal………………………

Pembimbing II

R. Rizal Isnanto, S.T., M.M., M.T.

NIP. 132 288 515
Tanggal………………………..

View publication stats